Відстежуйте глобальну тенденцію технологічної еволюції й скористайтеся можливістю розвитку природної інтелектуальної системи

Втілені інтелектуальні системи — це інтелектуальні системи, які інтегрують сприйняття, пізнання, прийняття рішень та дії через взаємодію фізичних об’єктів із середовищем у реальному часі; до них належать, зокрема, людиноподібні роботи, біонічні роботи та вбудовані екологічні системи. Наразі втілені інтелектуальні системи постійно розвиваються завдяки багаторазовій взаємодії з навколишнім середовищем, що суттєво покращує їхню здатність до пізнавального прийняття рішень та практичну ефективність у реальних умовах, а також прискорює їхню еволюцію у бік більш автономного й універсального інтелекту, придатного для різноманітних сценаріїв. Точне розуміння глобальних технологічних інноваційних тенденцій у галузі втілених інтелектуальних систем та активна відповідь на глибинні виклики мають велике значення для використання можливостей та отримання переваги в новому етапі промислової трансформації.

　　Глобальний розвиток технологій втілених інтелектуальних систем демонструє п’ять основних тенденцій

Наразі глобальна технологія втіленого інтелекту демонструє прискорену еволюцію, з проривами в п’яти вимірах: сприйняття та взаємодія, прийняття рішень та пізнання, керування та виконання, злиття даних у віртуальній і реальній сферах, а також інтеграція систем, що сприяє переходу втіленого інтелекту з лабораторій до масових застосувань.

Одне — це вбудовування світових моделей та перехід до сприйняття взаємодії. Під впливом світових моделей та багатомодальних технологій сприйняття, втілені інтелектуальні системи значно покращили здатність розуміти фізичне середовище й взаємодіяти з ним, здійснивши парадигмальний зсув від «стимул–реакція» до «дедуктивного прийняття рішень» та від реструктуризації даних до розуміння закономірностей. Meta запустила світову модель V-JEPA2, яка може передбачати наслідки різних дій і ранжувати їх за цілями, суттєво підвищуючи точність дій. Пекінський університет запропонував архітектуру багаточуттєвої мовно-дійової моделі MLA, яка вводить повну багаточуттєву модальність і забезпечує надійнішу основу для прийняття рішень шляхом інтеграції гетерогенних сигналів.

По-друге, спостерігається тенденція до кінцевої інтеграції та парадигмальна зміна у прийнятті рішень. Ієрархічна архітектура прийняття рішень у втіленому інтелекті «мозок + мозочок» дозріла й усе частіше застосовується; кінцева модель, що має переваги широкого охоплення, низької затримки, високої автономності та сильної співпраці, продемонструвала величезний потенціал у дослідженні втіленого інтелекту з метою загальної узагальненості. Робототехнічна система Gemini Robotics від Google DeepMind ґрунтується на кінцевій архітектурі VLA й має виняткову здатність до узагальнення між різними онтологіями; модель DOBOT-VLA, розроблена незалежно компанією Yuejiang у Китаї, інтегрує візуальні, мовні та керуючі можливості й оптимізована за допомогою навчання з підкріпленням у реальному світі. Укомплектована гуманоїдним роботом ATOM, вона досягла масового виробництва у 2025 році й здатна виконувати складні завдання, такі як ходьба, динамічна балансування та точна збірка.

По-третє, прориви у гнучких матеріалах призвели до виникнення здатності до самовідновлення. Матеріальна революція сприяє еволюції втіленого інтелекту від «жорсткого виконавчого кінця» до «онтології інтелектуального адаптування». Тактильні сенсори та електронна шкіра, подібні до людської, надають втіленому інтелекту високочутливих здатностей до сприйняття навколишнього середовища, тоді як біоміметична гнучка структура надає втіленим інтелектуальним системам багатомодальні рухові здатності — такі як повзання, котіння та перистальтичні рухи, що ефективно забезпечує адаптацію й розширення сфер застосування. Самовідновлювальні матеріали досягли активного прориву у самовідновленні: після пошкодження тіла вони здатні до зворотної рекомбінації хімічних зв’язків під дією світла й тепла. Ці матеріали інтегрують функції виявлення пошкоджень, локалізації та самовідновлення, значно підвищуючи міцність і надійність втіленого інтелекту в складних і екстремальних умовах, що гарантує тривалу автономну роботу.

Четверте — інтеграція віртуальних і реальних даних та уніфікація стандартів даних. Висока вартість і мала масштабність збору даних із реальних машин, а також слабка здатність узагальнення в непередбачених середовищах стали вузькими місцями у розвитку тілесного інтелекту. Генеративне джерело даних — це симуляційне середовище, створене на основі великої моделі, яке характеризується великим обсягом і високим ступенем структурованості й може заповнити дефіцит даних за низької вартості. У поєднанні з обмеженнями, заснованими на фізичних законах, гібридними парадигмами даних і калібруванням за даними реальних машин воно значно зменшує розрив між симуляцією та реальністю. Китайська компанія 51Sim накопичила повні сценарії допоміжного керування та синтезовані дані на основі платформи Nvidia, успішно використовуючи їх для навчання роботів у складних сценаріях, таких як порти й шахти. Платформа "Dome DOME" уніфікує інтерфейси даних і специфікації форматів, ліквідує ізольовані сховища даних, створює універсальну мову для галузі й ефективно сприяє міжсценарійній сумісності та постачанню високоякісних даних.

П’ятий принцип — досягнення гетерогенної співпраці та створення безпечного фундаменту. Розмежування програмного забезпечення й апаратного забезпечення та модульна інтеграція прискорюють розвиток операційних систем для тілесного інтелекту, що забезпечує сумісність між різними онтологіями та гетерогенну співпрацю. Архітектура OpenRMF уніфікує «правила руху» й «мову спілкування» для роботів, дозволяючи кооперативну роботу серед кластерів гетерогенних машин; OM1, запущена OpenMind, підтримує технологію plug-and-play та розробку з використанням API провідних великих моделей навіть у різних онтологіях. Інтеграція систем посилює фундамент проекту, гарантуючи безпеку, надійність та дотримання базових обмежень. Адверсарне навчання, диференційна конфіденційність та інші технології конфіденційних обчислень дозволяють співпрацю між установами без розголошення первинних даних, формуючи активну й безпечну багаторівневу систему захисту для масштабних застосувань тілесного інтелекту.

　　Застосувати кілька заходів для підвищення конкурентоспроможності китайського тілесного інтелекту

Наразі китайський тілесний інтелект перебуває на критичному етапі узгодження технологічних проривів, впровадження в промисловість та формування екосистеми. Локалізація основного апаратного забезпечення прискорилася, а продуктивність великих моделей значно покращилася. Вітчизняні обчислювальні потужності здатні ефективно виконувати складні моделі, а в окремих галузях вже сформовано попередні можливості їхнього застосування. Проте зі зростанням інтенсивності міжнародної конкуренції глибокі виклики, пов’язані з тілесним інтелектом, не можна ігнорувати.

По-перше, потрібно покращити автономну керованість основних компонентів: існує висока зовнішня залежність від сервомоторів, редукторів та датчиків преміум-класу. Тривалість роботи енергетичної системи недостатня, а повна стекова здатність до самостійного розроблення залишає бажати кращого. По-друге, стандартизаційна система та промисловий екосистема ще потребують удосконалення: неузгоджені інтерфейси апаратного забезпечення, протоколи зв’язку та стандарти сумісності програмного забезпечення, поширені «ізольовані» сховища даних, обмежений вплив спільнот з відкритим кодом та недостатня поставка високоякісних інтерактивних даних. По-третє, система безпеки та управління ще потребує вдосконалення: важко визначити розподіл відповідальності у разі аварій автономних систем. Постійне збирання чутливих даних легко призводить до ризиків, таких як витік даних та порушення конфіденційності, а механізми довіри для міжінституційної співпраці потрібно поліпшити.

Перед обличчям зазначених викликів Китаю слід скористатися періодом розвитку, покласти в основу незалежну інноваційність, взяти за вихідну точку створення стандартів та забезпечити безпеку як мінімальний рівень, прискорити формування інтегрованої інтелектуальної промислової екосистеми й надати потужний імпульс розвитку нової якісної продуктивності та побудови технологічно сильної країни.

Одне із завдань — посилити розташування стратегічних технологічних сил та зміцнити основу незалежних інновацій. Опираючись на нову національну систему, ми посилимо стратегічні науково-технологічні можливості національних ключових лабораторій у сфері втіленого інтелекту та здійснюватимемо організовані наукові дослідження у напрямках передових технологій, зокрема трьохдоменного інтеграційного моделювання «інформація–фізика–пізнання», архітектури кінцевого рішення «від кінця до кінця» та біоміметичних гнучких матеріалів. Ми поглибимо інтеграцію промисловості, освіти та науки під проводом підприємств, підтримаємо провідні технологічні компанії у створенні інноваційних консорціумів, зосередимо переваги ресурсів для подолання обмежень локалізації ключових компонентів — таких як сервоприводи, редуктори та планетарні роликові гвинти, — забезпечимо повний охоплення ланцюга «фундаментальні дослідження → розробка технологій → промислова реалізація» та звільнення промислового розвитку від джерельних обмежень.

Другим є створення відкритої та співпрацюючої промислової екосистеми, що забезпечує високоякісний розвиток на основі високих стандартів. Прискорити розробку міжгалузевих апаратних інтерфейсів, комунікаційних протоколів та стандартів сумісності програмного забезпечення, а також сприяти розвитку незалежного й контролюваного базового програмного забезпечення, зокрема операційних систем та проміжного програмного забезпечення (middleware). Дослідити можливість створення високорівневих організацій з агрегації та управління даними, розробити стандарти для збору та анотування багатомодальних даних, створити симуляційні бенчмарки та відкриті платформи даних для ключових сценаріїв, таких як інтелектуальне виробництво та операції з підвищеним ризиком, а також усунути перешкоди для обігу даних. Активно розвивати локальну екосистему відкритого програмного забезпечення, заохочувати університети, науково-дослідні інститути та підприємства до спільного створення систем спільного використання обчислювальних потужностей для алгоритмів, знизити бар’єри для досліджень і розробок, прискорити технологічну ітерацію та забезпечити підвищення якості галузі завдяки високорівневій стандартизації та відкритому програмному забезпеченню.

Третє — створити надійну систему управління безпекою та закласти міцну основу для довіреної розробки. Створити багаторівневий механізм захисту, що охоплює алгоритми, дані та фізичну безпеку, чітко визначивши межі прав і обов’язків усіх сторін, залучених до виробництва, використання, постачання алгоритмів та нагляду. Перспективні дослідження щодо визначення відповідальності за аварії, міжінституційної співпраці, правил управління на основі взаємної довіри, а також безпечних і етичних настанов щодо конкретної навігації, групової співпраці та інших поведінкових аспектів. Дослідження інклюзивних і обережних регуляторних моделей, проведення повножиттєвих оцінок безпеки та етики, створення проактивних і надійних захисних систем у глибину, а також забезпечення інституційних гарантій для масштабного впровадження та тривалого здорового розвитку тілесного інтелекту.